Por ejemplo, si se recopilan cientos de miles, incluso millones, de imágenes de cámaras trampa en una temporada y el objetivo de conservación es establecer cuotas de caza de ciervos en Estados Unidos, una decisión que debe tomarse desde el sector público. Entonces, la cantidad de tiempo que le tomaría a un pequeño equipo con recursos limitados revisar manualmente cada imagen e identificar cuáles contienen ciervos para luego convertir esa información en un modelo de la población de ciervos o de su distribución espacial y temporal representa un enorme cuello de botella.
como el agua y la energía. Creo que este es un punto crucial y sutil que la gente ha perdido de vista en los últimos años.Si se piensa que la IA significa ChatGPT o computación en la nube, un modelo generativo a gran escala, entrenado con datos de internet y utilizado para generar resultados, entonces hablamos de un tipo de modelo que tiene un impacto significativo en el consumo de energía de los centros de datos y en la escasez de agua [que se utiliza para refrigerar los potentes servidores y disipar el calor extremo que generan al procesar algoritmos complejos].
Pero este es solo un tipo de método de IA. En realidad, la gran mayoría de la IA aplicada a la conservación no es IA generativa. No se trata de modelos generativos costosos y a gran escala. Los modelos a los que me refiero tienen costes computacionales, sí, pero son relativamente ligeros. Son modelos más ligeros y a menudo los diseñamos teniendo en cuenta las limitaciones de recursos de los usuarios. Lo que realmente necesitamos es comprender qué costos climáticos tiene y saber que tomamos en cuenta esos costos climáticos, energéticos e hídricos para el tipo específico de IA que queremos utilizar.
Mongabay LATAM.